Escolar Documentos
Profissional Documentos
Cultura Documentos
UNESP
GUARATINGUETÁ
2013
1
GUARATINGUETÁ
2013
2
3
DADOS CURRICULARES
AGRADECIMENTOS
À Deus, pelo dom da vida e pela coragem para a luta, onde sou apenas um instrumento
para que Ele utilize de Sua autoridade para demonstrar seu amor...
ao Departamento de Engenharia Mecânica da UNESP – FEG, em especial ao Prof. Dr.
Luiz Fernando Costa Nascimento, por suas valiosas orientações;
à Profa. Dra. Paloma Maria Silva Rocha Rizol pela contribuição e esclarecimentos para
o aprimoramento desta tese;
ao Prof. Dr. Leonardo Mesquita de forma muito especial pelas observações e sugestões.
à Profa. Dra. Andréa Paula Penellupi de Medeiros, Profa. Dra. Maria Helena Baena de
Moraes Lopes e ao Prof. Dr. Marcos Abdo Arbex por doarem seu precioso tempo
participando desta banca.
à secretária do Departamento de Engenharia Mecânica, Rosiléa Ribeiro de Matos, pelas
informações fornecidas e atenção no seu atendimento;
aos funcionários da Seção de Pós-Graduação da FEG/UNESP, Regina Célia Galvão
Faria Alves, Maria Cristina Silva de Oliva, Renata Pereira da Rocha Barbosa e Rodrigo José
Nunes;
às funcionárias da biblioteca da FEG/UNESP, em especial a Ana Maria Ramos
Antunes, por sua contribuição no levantamento bibliográfico.
aos amigos, em especial ao Dr. Vinícius Ferreira de Souza, demais colegas, aos meus
familiares e a todos que direta ou indiretamente contribuíram para que essa tese fosse
realizada.
6
Dom Quixote
7
RESUMO
O presente estudo teve por objetivo verificar a associação entre a exposição aos poluentes do
ar e o número de internações hospitalares por asma e pneumonia. Para a verificação foi
proposto desenvolver e validar modelos fuzzy (Mamdani) e neuro-fuzzy (Sugeno) e comparar
qual dos modelos apresenta uma melhor eficácia para a predição de internações. A
metodologia utilizada foi dividida em três módulos: limpeza e elaboração de dados,
elaboração do modelo fuzzy (Mamdani) e elaboração do modelo neuro-fuzzy (Sugeno). Foram
coletados dados reais de internações do DATASUS, os quais foram utilizados como saída do
modelo. Os dados de entradas foram os poluentes do ar material particulado (MP 10), dióxido
de enxofre (SO2), ozônio (O3) e a temperatura aparente (Tap). As saídas geradas pelos
modelos foram comparadas e correlacionadas com os dados reais de internações através do
Coeficiente de Correlação de Pearson. Para o estudo o nível de significância estatístico
adotado foi α = 5%. A acurácia dos modelos foi realizada utilizando a Curva ROC. Neste
estudo foi possível desenvolver e validar os modelos. O modelo neuro-fuzzy apresentou
melhor correlação do que o modelo fuzzy; porém a acurácia foi melhor para o modelo fuzzy.
CHAVES, L. E. Computational models Fuzzy and Neuro-Fuzzy to assess the effects of air
pollution. 2013. 112f. Thesis (Doctorate in Mechanical Engineering)-Faculdade de
Engenharia do Campus de Guaratinguetá, Universidade Estadual Paulista, Guaratinguetá,
2013.
ABSTRACT
This study aimed at investigating the association between exposure to air pollutants and the
number of hospital admissions for asthma and pneumonia. For such verification it was
proposed to develop and validate the Mamdani fuzzy and neuro-fuzzy (Sugeno) models and
compare which of the two provides better efficacy in predicting hospitalization. The
methodology was divided into three modules: data cleaning and preparation, elaboration of
the fuzzy model (Mamdani) and elaboration of the neuro-fuzzy model (Sugeno). Data were
collected from DATASUS actual admissions, which were used as the models output. The
input data were air pollutants particulate matter (PM10), sulfur dioxide (SO2), ozone (O3) and
the apparent temperature (Tap). The outputs generated by the models were compared and
correlated with the actual data of admissions through the Pearson Correlation Coefficient. In
this study the level of statistical significance adopted was α = 5%. The accuracy of the models
was performed using the ROC curve. In this study it was possible to develop and validate the
models. The neuro-fuzzy model showed better correlation than the fuzzy model, but the
accuracy was better for the fuzzy model.
LISTA DE FIGURAS
LISTA DE SIGLAS
AI – Artificial Intelligence
ANFIS – Adaptive Neuro-Fuzzy Inference System
DPOC – Doença Pulmonar Obstrutiva Crônica
EPA – Environmental Protection Agency
FEV1 – Forced expiratory volume in 1 second
FIS – Fuzzy Inference System
FMC – Fumaça
FVC – Forced vital capacity
IAM – Inteligência Artificial Médica
IC – Inteligência Computacional
LSE – Least Square Estimation
MF – Membership function
MP10 – Partículas inaláveis
MPS – Material Particulado em Suspensão
OMS – Organização Mundial de Saúde
PTS – Partículas Totais em Suspensão
RNA – Rede Neural Artificial
SD – Methods descendants
SIH-SUS – Sistema de Informações Hospitalares do Sistema Único de Saúde
SIM – Sistema de Informações
SUS – Sistema Único de Saúde
UR – Umidade relativa do ar
12
LISTA DE SÍMBOLOS
CO – Monóxido de carbono
NO2 – Óxido nítrico
NOx – Óxidos de nitrogênio
O2 – Oxigênio
O3 – Ozônio troposférico
SO2 – Dióxido de enxofre
SO3 – Trióxido de enxofre
T° – Temperatura
μm – Micrometro
13
LISTA DE TABELAS
Tabela 1 - Comparação entre redes neurais artificiais e sistemas de inferência fuzzy ............. 38
Tabela 2 - Fontes emissoras de poluentes e efeitos à saúde ................................................... 53
Tabela 3 - Dados de entradas e suas respectivas variações .................................................... 68
Tabela 4 - Classificação da variável de saída ........................................................................ 69
Tabela 5 - Classificação quanto ao nível de material particulado no ambiente ...................... 70
Tabela 6 - Classificação quanto ao nível de ozônio ............................................................... 70
Tabela 7 - Classificação quanto ao nível de dióxido de enxofre ............................................ 71
Tabela 8 - Classificação quanto à temperatura aparente ........................................................ 72
Tabela 9 - Regras geradas por especilaista para o modelo fuzzy ............................................ 72
Tabela 10 - Valores das médias, desvio padrão, mínimos e máximos das variáveis: material
particulado (MP10), ozônio (O3), dióxido de enxofre (SO2), temperatura aparente
(Tap), segundo tipo de saída número de internações (NINTER), São José dos
Campos-2007. ...................................................................................................... 81
Tabela 11- Valores da Curva ROC para Lag0, Lag1 e Lag2 dos poluenes MP 10, O3 e SO2 ... 84
Tabela 12- Parâmetros e resultados do modelo neuro-fuzzy .................................................. 90
Tabela 13- Correlações entre dados reais e dados dos modelos ............................................ 91
Tabela 14- Valores da Curva ROC para Lag0, Lag1 e Lag2 dos poluenes MP10, O3 e SO2 .. 91
14
SUMÁRIO
1 INTRODUÇÃO ................................................................................................ 16
1.1 Objetivos ........................................................................................................... 17
1.2 Estrutura do estudo .......................................................................................... 18
2 INTELIGÊNCIA ARTIFICIAL E INTELIGÊNCIA COMPUTACIONAL 19
2.1 Evolução da inteligência artificial .................................................................... 20
2.2 Inteligência computacional............................................................................... 21
2.3 Lógica fuzzy ....................................................................................................... 22
2.3.1 Teoria da lógica fuzzy ....................................................................................... 23
2.3.2 Teoria dos conjuntos fuzzy ............................................................................... 24
2.3.3 Função de pertinência fuzzy ............................................................................. 26
2.3.4 Sistemas de inferência fuzzy ............................................................................. 27
2.4 Rede neural artificial (RNA) ............................................................................ 30
2.4.1 Redes neurais biológicas ................................................................................... 30
2.4.2 Redes neurais artificiais (RNA`s) ..................................................................... 31
2.4.2.1 Estruturas das redes neurais artificiais ........................................................... 33
2.4.2.2 Aprendizado das redes neurais artificiais........................................................ 33
2.4.2.3 Algoritmo back-propagation ............................................................................. 34
2.5 Redes neurais artificiais e sistema de inferência fuzzy .................................... 37
2.6 Sistemas neuro-fuzzy......................................................................................... 38
2.7 Características dos sistemas neuro-fuzzy ......................................................... 39
2.8 Aprendizagem dos sistemas neuro-fuzzy .......................................................... 41
2.9 Vantagens dos sistemas neuro-fuzzy ................................................................ 41
3 ARQUITETURA DO MODELO DO SISTEMA DE INFERÊNCIA NEURO-
FUZZY ADAPTATIVO-ANFIS ..................................................................... 43
4 POLUIÇÃO ATMOSFÉRICA ........................................................................ 48
4.1 Poluentes ........................................................................................................... 48
4.1.1 Material particulado (MP10) ............................................................................ 50
4.1.2 Ozônio (O3) ....................................................................................................... 51
4.1.3 Dióxido de enxofre (SO2) .................................................................................. 52
4.2 Efeitos da poluição atmosférica sobre a saúde ................................................ 54
5 DOENÇAS RESPIRATÓRIAS ....................................................................... 57
6 VARIÁVEIS CLIMÁTICAS ........................................................................... 59
6.1 Umidade relativa do ar e temperatura do ar ................................................... 59
6.2 Temperatura aparente ..................................................................................... 60
7 MATERIAIS E MÉTODOS ............................................................................ 62
7.1 Modelo fuzzy ..................................................................................................... 68
7.1.1 Material particulado......................................................................................... 70
7.1.2 Ozônio ............................................................................................................... 70
7.1.3 Dióxido de enxofre ............................................................................................ 71
7.1.4 Temperatura aparente ..................................................................................... 72
7.2 Modelo neuro-fuzzy .......................................................................................... 75
7.2.1 ANFIS ............................................................................................................... 75
8 RESULTADOS E DISCUSSÃO ...................................................................... 81
9 CONCLUSÃO .................................................................................................. 98
15
1 INTRODUÇÃO
1.1 Objetivos
Essa tese tem por objetivo verificar a associação entre a exposição aos poluentes
atmosféricos, variáveis climáticas e o número de internações hospitalares por pneumonia e
asma.
Deste modo, pretende-se desenvolver e validar um modelo de sistema de inferência
fuzzy Mamdani para a predição do número de internações hospitalares por pneumonia e asma
segundo exposição aos poluentes atmosféricos e variáveis climáticas.
O próximo passo é utilizar o sistema neuro-fuzzy ANFIS para obter um sistema de
inferência fuzzy do tipo Sugeno para predição do número de internações hospitalares por
pneumonia e asma. Em seguida este modelo será validado e comparado com o sistema de
inferência fuzzy desenvolvido anteriormente.
18
Para alcançar os objetivos desse trabalho, foi realizada a estrutura em nove capítulos. O
primeiro capítulo contém a introdução sobre o tema, a motivação e os objetivos do trabalho.
O segundo capítulo contém as definições e a base teórica sobre a Inteligência Artificial
(IA) e Computacional (IC). Sendo também realizada uma breve revisão sobre a lógica fuzzy,
rede neural artificial e sistemas neuro-fuzzy.
Em seguida, o terceiro capítulo descreve a arquitetura do sistema neuro-fuzzy ANFIS.
O quarto capítulo trata sobre o assunto poluição atmosférica, descrevendo sobre os
poluentes utilizados no estudo, sendo eles o material particulado, o ozônio e o dióxido de
enxofre.
O quinto capítulo aborda sobre doenças de afetam o sistema respiratório relacionadas
com a poluição atmosférica.
O sexto capítulo refere-se às variáveis climáticas: umidade relativa do ar e temperatura
do ar; bem como a temperatura aparente.
O sétimo capítulo contém o método para desenvolver os modelos fuzzy do tipo
Mamdani e neuro-fuzzy ANFIS.
No oitavo capítulo são apresentados os resultados e a discussão do trabalho.
Por fim, no nono capítulo apresenta-se a conclusão do trabalho.
19
Atualmente, vem-se utilizando as redes neurais artificiais (RNAs), lógica fuzzy e uma
variedade de métodos de aprendizagem, com a utilização de recursos computacionais, cada
vez mais avançados, para auxílio na tomada de decisão, previsão, controle, dentre outros.
Nesse sentido, importa ressaltar que, tem havido um crescente interesse especificamente
sobre os chamados sistemas de inferência fuzzy e sistema neuro-fuzzy (JANG, 1993; LIN et
al., 1995; JANG et al., 1997; REZENDE, 2005; NEGNEVITSKY, 2005; CALDEIRA et al.,
2007).
Contudo, o termo é utilizado para um tipo específico de sistema que engloba os dois
paradigmas. Nestes sistemas, os termos e regras de um sistema de inferência fuzzy são
aprendidos mediante a apresentação de pares de entrada e a saída desejada (SANDRI;
CORREA, 1999).
Modelos utilizando redes neurais artificiais e sistemas baseados em regras fuzzy têm
surgido como uma alternativa aos modelos tradicionais em auxílio na área médica
(CASTANHO, 2007), este é o motivo do interesse desta área para elaboração deste trabalho.
20
O estudo da inteligência teve início há mais de 2.000 anos, começando com filósofos
que procuravam entender como eram realizados os processos de visão, aprendizado,
lembranças e raciocínio (MONARD; BARANAUSKAS, 2000).
Desde então, várias tentativas para mecanizar a inteligência foram efetuadas, sendo que
muitas dessas tentativas precedem as idéias dos computadores digitais e das tecnologias mais
avançadas.
Foi somente no pós-guerra, na década 50 que se originou a área de Inteligência
Artificial (IA), quando pesquisadores da área da computação começaram a utilizar
computadores no desenvolvimento de programas simbólicos com o objetivo de resolver
problemas mais complexos (MONARD; BARANAUSKAS, 2000).
O termo Inteligência Artificial, foi usado pela primeira vez na década dos anos 50 e
nada mais é do que uma tentativa de formalizar o eterno sonho da criação de um “cérebro
eletrônico” (OSÓRIO, 1999). Nos últimos anos o cinema também abordou sobre o tema com
os filmes Robocop, IA-Inteligência Artificial, Matrix, Eu robô, dentre outros, nos quais os
temas associam o corpo humano e os computadores.
Caldeira, et al.(2007) definem a IA como o ramo da computação preocupada com a
automação de comportamento inteligente, ao passo que, Winston (1992) entende IA como o
estudo da computação que torna possível perceber, raciocinar e agir, concluindo que, IA é o
estudo das idéias que permitem aos computadores serem inteligentes.
Para Rezende (2005) IA é a capacidade da ciência da computação voltada à execução
das funções que são desempenhadas pelo seres humanos, isto é, imitar a inteligência na
compreensão da linguagem e da visão, aprendizado, raciocínio lógico, resolução de problemas
simples ou complexos, dentre outros.
Pode-se concluir então que, IA é um ramo da área da ciência da computação cujo
interesse é fazer os computadores pensarem ou comportarem de forma inteligente
(MONARD; BARANAUSKAS, 2000). A IA está interligada as mais diversas áreas como:
psicologia, linguística, filosofia, biologia, matemática, engenharia, entre outras áreas
científicas, sendo uma área extensa de aplicações, conforme mostrado na Figura 1.
21
técnicas também evoluem muito rápido, contribuindo, assim para o surgimento de novos
padrões de pesquisa.
Os sistemas envolvendo técnicas tradicionais de inteligência artificial aplicados no
domínio da matemática, física, química, biologia, astronomia, entre outras, estão sendo
associados aos chamados sistemas que utilizam Inteligência Computacional (IC),
referenciados na literatura científica como Soft Computing. (CARVALHO et. al, 2006). O uso
da IC, como visto, não se restringe somente a área da ciência exata. Seu alcance vai além das
fronteiras e pode auxiliar na modelagem de questões encontradas nas mais variadas área do
conhecimento (CALDEIRA, 2007).
Através de técnicas inspiradas na natureza a IC adquire o poder de imitar o
comportamento da inteligência humana, tais como o aprendizado, a percepção e o raciocínio,
(CARVALHO et. al,, 2006).
Segundo Zadeh (2006), as características básicas desses sistemas estão na representação
inexata do conhecimento, o qual seria impossível de representar através das técnicas
tradicionais de IA. No centro da IC, estão a Lógica Fuzzy, Redes Neurais Artificiais,
Neurocomputação, Computação Evolucionária, Computação Probabilística, Computação
Caótica e Aprendizagem de Máquina, áreas que utilizam os princípios da IA.
Para Brusaferro (2006), a modelagem, de modo geral, visa encontrar o melhor modelo
com o menor erro. Já a previsão visa estimar valores futuros baseados no modelo, podendo
lançar mão das técnicas estatísticas tradicionais ou dos métodos recentes da IC. A diferença
está na modelagem dos dados. A técnica tradicional busca encontrar uma equação para o
modelo, enquanto os modelos de IC usam redes para o aprendizado da função.
O conjunto de técnicas e modelos de IC representa o que há de mais inovador na área de
modelamento e previsão, porém não é a solução para todos os problemas, tratando
simplesmente de uma poderosa ferramenta que obtém soluções, simples e eficientes, para
problemas de difícil manejo por técnicas convencionais (CALDEIRA, 2007).
Neste tópico, sobre a lógica fuzzy, são abordados somente os conceitos de suma
importância usada neste trabalho, podendo a teoria completa ser examinada em outras
referências como KLIR, 1995a; MASSAD et al., 2008; CALDEIRA et al., 2007; REZENDE,
2005; NEGNEVITSKY, 2005, ORTEGA, 2001.
23
Uma vez que os textos em livros, artigos, tutoriais disponibilizados na literatura é bem
extenso e diversificado o conteúdo aqui exposto constitui a medida exata para a compreensão
do sistema de inferência fuzzy e neuro-fuzzy (ANFIS) proposto para a realização do trabalho.
A teoria dos conjuntos fuzzy foi apresentada em 1964 por Lotfi A. Zadeh, professor no
Departamento de Engenharia Elétrica e Ciências da Computação da Universidade da
Califórnia em Berkeley, quando trabalhava com problemas de classificações de conjuntos que
não possuíam fronteiras bem definidas (ZADEH, 1965; KLIR, 1995b; SANDRI; CORREA,
1999; ORTEGA, 2001).
O termo em inglês “fuzzy” traduzido, tem o significado como algo vago, indefinido,
incerto. Mas traduzido para o português os termos mais utilizados na área de inteligência
artificial são nebuloso ou difuso (REZENDE, 2005).
A teoria dos conjuntos fuzzy permaneceu incompreendida por muito tempo. As
primeiras aplicações com sucesso foram na área de controle. Em meados dos anos 80,
Mamdani a utilizou para projetar controladores fuzzy. A partir daí houve um grande progresso
da área, em especial com muitas aplicações reportadas dos países orientais principalmente do
Japão (BAUCHSPIESS, 2008).
A lógica fuzzy (ZADEH, 1965) pode ser a base para geração de técnicas poderosas para
a solução de problemas complexos, com uma vasta área de aplicação, em especial, nas áreas
de controle, previsão e tomada de decisão, pois pode representar informações vagas e de
limites imprecisos.
Diferente da lógica clássica, onde uma proposição lógica possui dois extremos: o
“completamente verdadeiro” ou o “completamente falso”, na lógica fuzzy uma proposição
pode assumir um número de valores infinito de pertinência que varia de zero a um, o que a
torna parcialmente verdadeira ou parcialmente falsa, sendo o valor zero usado para
representar a não pertinência completa e o valor um a completa pertinência. Isso permite que
a lógica fuzzy descreva um determinado fato com mais detalhe e modo gradual, reduzindo
assim a perda de informações, que consequentemente estará o mais coerente possível com a
realidade em questão (MALUTTA, 2004).
Através de uma determinada regra, que varia para qual fim a lógica fuzzy é utilizada, os
dados coletados caracterizados como incertos são analisados de acordo com a regra
24
Figura 2 – Gráficos comparativos da lógica clássica com a lógica fuzzy (adaptado de NEGNEVITSKY, 2002).
Os sistemas inteligentes com base na lógica fuzzy são sistemas capazes de trabalhar com
informações vagas, transformando-as em uma linguagem matemática de fácil aplicação
computacional (FERREIRA, 2010).
Assim, a eficácia da lógica fuzzy provém da sua habilidade em inferir conclusões e gerar
respostas baseadas em informações vagas, ambíguas, incompletas ou imprecisas (DASH et.
al, 2000); neste sentido, os sistemas de inferência fuzzy têm habilidade de raciocinar de forma
parecida com os humanos, encontrando aplicações nas mais diversas áreas do conhecimento,
como, por exemplo, computação, engenharia, saúde, administração, entre outras.
A teoria dos conjuntos fuzzy veio agregar-se a lógica binária (0-1; verdadeiro-falso) da
teoria dos conjuntos clássica, traduzida na Álgebra de Boole, por uma lógica em que o grau de
verdade de uma afirmação pode assumir uma gama contínua de valores entre zero e um.
Uma das grandes vantagens da utilização da teoria dos conjuntos fuzzy é a sua
capacidade de poder representar expressões linguísticas qualitativas como, por exemplo,
afirmar que um determinado critério é “baixo, médio ou alto”, em vez de se exprimir esta
grandeza na forma de um número real (ANTÓNIO, 2004).
25
0 x $
P $ x ® (1)
¯1 x $
Ou seja, todos os elementos que pertençam a ‘A’ têm valor de pertinência um e todos os
outros têm valor de pertinência zero, que é o mesmo que dizer que se aceita apenas um valor
binário de verdade.
Na teoria dos conjuntos fuzzy μ assume valores entre [0, 1] aceita que o valor de
pertinência que pode ser representado por um número real qualquer no intervalo entre [0, 1].
Um conjunto fuzzy A em X, coleção de objetos, é definido como sendo o conjunto de
pares ordenados, conforme equação (2):
$ ^x, P$x) x & } (2)
A ˅ B = max(A,B) (3)
¬A=1–A
Sendo:
˄ : operador que representa a interseção dos dois conjuntos (A B);
26
Figura 3 – Representação dos conjuntos fuzzy. (a) Conjunto A, (b) Conjunto B, (c) Conjuntos A˄B e A˅B
(Adaptado de MALANGE, 2010).
As funções de pertinência fuzzy podem ser definidas como sendo uma representação
gráfica (diferentes formas) da magnitude de participação de cada entrada e resposta de saída,
dependendo do conceito que se deseja representar e do contexto aplicado. Ela associa um peso
para cada valor de entrada processada, definindo, assim, uma superposição funcional entre as
entradas e determinando uma resposta para a saída (CALDEIRA, 2007; MALANGE, 2010).
É uma função que mapeia a relação de cada entrada com a variável fuzzy, como
exemplo: existe uma função de pertinência para a variável fuzzy indivíduo baixo que relaciona
a estatura (entrada) com um valor de zero a um. Essa função pode ser linear (triangular,
trapezoidal) ou não linear (gaussiana, sino, sigmóide) em função da complexidade do
problema e podendo ser também usadas de acordo com a preferência, experiência do
especialista, além de depender das características do fenômeno (CALDEIRA, 2007).
O grau de pertinência é determinado pela projeção vertical do parâmetro de entrada do
eixo horizontal no limite mais alto da função de pertinência, o qual tem valores
compreendidos entre zero e um (MALANGE, 2010), como mostrado a seguir, Figura 4.
27
Define-se sistema de inferência fuzzy como sendo o processo pelo qual se obtém as
saídas do sistema, pela avaliação do relacionamento das entradas com os antecedentes das
regras, ativando os consequentes. Assim, um conjunto fuzzy é transformado em um número
real (CALDEIRAS, 2007).
Problemas complexos, normalmente, exigem soluções complexas que necessitam de
tempo e esforço proporcional ao grau de complexidade. Os SIF empregam soluções simples
para resolver estes tipos de problemas, pois, em vez de modelar um processo através do uso
de relações complicadas entre as variáveis, o SIF leva em conta a modelagem do processo por
meio do uso de um conjunto simples de vários tipos de regras de bom senso (LOESCH;
SARI, 1996).
28
O SIF apresenta uma estrutura com base em um conjunto de regras fuzzy incluindo as
seguintes fases principais: fuzificador, elaboração das bases de regras fuzzy, método de
inferência e defuzificador, como pode ser observado a seguir, Figura 5.
Para que haja um melhor entendimento de uma Rede Neural Artificial, faz-se necessário
a descrição, em resumo, do que é uma Rede Neural Biológica.
Figura 8 – Comparativo do neurônio biológico com o neurônio matemático (Adaptado de Jacintho, 2010).
Segundo Lin e Cunningham III (1995), as RNAs são uma geração computacional
promissora no que diz respeito ao processamento de informações, as quais demonstram
capacidade de aprendizado, reaprendizado e generalização a partir de um banco de dados ou
padrões de treinamento.
Loesch e Sari (1996) informam que as RNAs podem ser desenvolvidas em um tempo
razoável e realizar tarefas de forma mais eficiente que outras tecnologias convencionais.
Quando associadas em uma implementação de hardware, as RNAs exibem alta tolerância a
falhas no sistema e fornecem dados que estimam o processamento em paralelo.
A rede neural artificial é um processador distribuído, massivamente paralelo, com uma
tendência natural para armazenar conhecimento através da experiência e torná-lo acessível
para uso (HAYKIN, 2001). Assemelha-se ao cérebro em dois aspectos:
1. O conhecimento é adquirido pela rede através de um processo de aprendizagem.
2. A intensidade das ligações entre neurônios, conhecidas por pesos sinápticos, é
utilizada para armazenar conhecimento.
32
Para Nishida (1998), com o intuito de simular o aprendizado humano, pesos são
designados às conexões sinápticas entre neurônios artificiais, e representam o conhecimento
armazenado em uma RNA. Por meio de um processo de aprendizagem, ou treinamento, os
pesos sinápticos são ajustados e tornam a rede artificial apta a decidir com maior ou menor
eficiência.
Os neurônios artificiais são formados por sinais de habilitações e que são validados
através de pesos. Os sinais de habilitação são sinais lógicos que informam ao neurônio se ele
deve ou não considerar esta informação. Caso o neurônio considere a informação, será
necessário levar em conta o peso atribuído à mesma, pois este pode representar se essa é uma
informação muito ou pouco relevante. Caso ela seja muito relevante, de grande importância, o
dado será conhecido como dado estimulante. Porém, se o dado não for muito relevante, ou
seja, de pouca importância, ficará conhecido como dado inibidor (MOURA et al., 2005).
A rede neural artificial calcula o somatório do produto dos valores de cada entrada pelo
seu respectivo peso. Após esse cálculo ele compara o resultado com um valor predeterminado,
que será considerado como um critério para ativar ou não a saída (MOURA et al., 2005).
Segundo Baleeiro (2007), quando as execuções acontecem e o resultado do coeficiente
de erro é diferente de zero, que é o resultado de uma situação perfeita, o sistema se auto-
corrige, alterando os pesos para de cada dado de entrada, tornando-a mais ou menos relevante.
Dessa forma o erro sempre tenderá a ser igual a zero. Isso é o que se chama de plasticidade
neural (capacidade de reorganização).
Em síntese, plasticidade neural é a capacidade de alterar esses pesos e, como os
neurônios biológicos, reforçar ou enfraquecer as ligações sinápticas, modificando sua
interconexão (BALEEIRO, 2007).
A computação neural aplica alguns princípios e propriedades do funcionamento do
cérebro em sistemas computacionais, tais como: aprendizagem, generalização e abstração de
informações irrelevantes. O conhecimento adquirido pelo processo de treinamento de uma
rede neural é usado posteriormente (BALEEIRO, 2007).
Percebe-se então que uma rede neural é constituída por um conjunto de elementos
(neurônios), interligados e comunicados entre si pelo envio de sinais. A partir desses
princípios, a RNA busca imitar os princípios organizacionais do cérebro humano, com isso
demonstrando habilidade de aprendizagem e generalização (BALEEIRO, 2007).
33
Outro tipo de classificação das redes neurais artificiais pode ser descrito pela forma
como a rede é treinada (tipo de aprendizado). Há três mecanismos mais utilizados para o
aprendizado de uma RNA: método de aprendizado supervisionado, método de aprendizado
não supervisionado; e o aprendizado por reforço. Em seguida serão descritos esses
mecanismos de aprendizado.
34
Figura 10: Algortimo Back-propagation para rede neural de três camadas (NINOMIYA, 2008)
Segundo Haykin (2001) o perceptron é a forma mais simples de uma rede neural
artificial utilizada para classificar padrões linearmente separáveis. É uma rede de apenas uma
camada cujos pesos e erros podem ser treinados para que se tenha um vetor esperado dado um
vetor de entrada. O aprendizado usa as mudanças dos pesos e as bias (viés) dado um vetor de
entrada e o erro, que é a diferença entre a resposta da rede e o vetor de saída desejado
(CALDEIRAS, 2007).
- Perceptron múltiplas camadas (MLP)
São redes alimentadas adiante que possuem uma camada de entrada, uma ou mais
camadas ocultas de nós computacionais e neurônios e uma camada saída. O aprendizado de
uma rede neural MLP é de forma supervisionada com um algoritmo de retropropagacão de
erro (back propagation), baseado na regra de aprendizagem por correção de erro, que consiste
basicamente de dois passos, um para frente e outro para trás (HAYKIN, 2001).
O passo para frente é chamado de propagação, os valores provindos dos neurônios de
entrada são aplicados aos neurônios ocultos e posteriormente suas saídas são aplicadas como
entradas aos neurônios da camada, obtendo a resposta da rede. Durante este passo os pesos
sinápticos da rede são todos fixos (HAYKIN, 2001).
Já o passo para trás é realizado para ajustar os pesos sinápticos, por meio do cálculo do
erro realizado na camada de saída, os pesos sinápticos entre as camadas antecessoras são
ajustados de acordo com uma regra de correção de erro (HAYKIN, 2001).
37
A teoria de conjuntos fuzzy tem sido agregada aos sistemas de redes neurais artificiais,
propondo os sistemas neuro-fuzzy, aumentando, assim, a capacidade de aprendizado através
de interface com dados numéricos. Informações incertas, qualitativas, capacidade de
aprendizado e formulação de estratégias de tomadas de decisão, são características dos seres
humanos e por isso são referidos como “sistemas inteligentes”, em consequência do fato de
imitarem a inteligência humana (MALANGE, 2010).
Os sistemas neuro-fuzzy têm atraído interesse da comunidade científica nestes últimos
anos, pois estes sistemas têm demonstrado um melhor desempenho em diferentes aplicações
quando comparadas separadamente (CALDEIRA, 2007).
Um sistema de inferência fuzzy é capaz de utilizar o conhecimento especialista,
armazenando informação na base de regras associada ao sistema e realizando o raciocínio
aproximado para inferir o valor da saída correspondente. Para construir um sistema de
inferência fuzzy – FIS, é necessário definir o número de conjuntos fuzzy que constituem as
partições dos universos de discurso, os operadores lógicos e a base de conhecimento
(CALDEIRA, 2007).
As redes neurais artificiais se mostram deficientes para representar o conhecimento de
forma explícita em sua estrutura, pois estes sistemas não são capazes de definir
automaticamente as regras utilizadas para as tomadas de decisões (FULLÉR, 1995). Por outro
lado, os FIS valem-se amplamente de suas características com relação à manipulação de
termos linguísticos. A Tabela 1 apresenta uma comparação entre as redes neurais artificiais e
os sistemas de inferência fuzzy.
38
Um sistema neuro-fuzzy pode ser definido como sendo um sistema de inferência fuzzy
que é treinado por uma RNA. Este tipo de sistema é o resultado da união destes dois modelos.
Com isto, tem-se a capacidade das RNA em reconhecimento e classificação, sem esquecer a
robustez e habilidade de generalização (RAMOS, 1999).
Por outro lado, têm-se os sistemas fuzzy que, através da suas regras e conjuntos fuzzy,
facilita o entendimento do problema, porque modela o ambiente por meio de uma linguagem
próxima da usada pelos especialistas. Por exemplo, os sistemas fuzzy têm demonstrado ser
bastante consistentes e confiáveis, quando aplicados a sistemas de controle e problemas de
classificação (FULLÉR, 1995).
Considerando as características destes dois importantes sistemas tem procurado unir os
potenciais. Estes sistemas podem incorporar conhecimentos empíricos e ter seus parâmetros
adaptados através de algoritmos eficientes para cada caso (REZENDE, 2005).
O objetivo desta integração é minimizar as deficiências que cada sistema apresenta,
tentando construir um novo sistema que busca unir as melhores qualidades dos dois sistemas
(FULLÉR, 1995).
Sistemas neuro-fuzzy podem ser utilizados em tarefas de reconhecimento de padrões,
interpolação de funções, previsão e controle (FULLÉR, 1995).
Um importante aspecto que torna possível esta integração é que as redes neurais
artificiais e os sistemas de inferência fuzzy são aproximadores universais. Portanto, o sistema
neuro- fuzzy mantém esta característica fundamental para o desenvolvimento das aplicações
(RAMOS, 1999).
Os sistemas neuro-fuzzy adquirem da rede neural artificial sua capacidade de
aprendizagem, generalização, classificação, robustez, adaptação e agrupamento de dados. As
redes neurais sempre foram vistas como uma caixa preta, em que, não é possível obter o
conhecimento sobre as decisões da rede no processo de treinamento (CALDEIRA, 2007).
39
Os sistemas neuro-fuzzy quebram este conceito de caixa preta das redes neurais, porque
o comportamento deste modelo pode ser entendimento através da observação das variáveis
linguísticas, das funções de pertinência, dos relacionamentos entrada-saída e das próprias
regras fuzzy, as quais podem explicar facilmente o funcionamento do sistema, devido a
simplicidade e proximidade com a linguagem humana (RAMOS, 1999).
As redes neurais artificiais, com sua capacidade de aprendizagem e adaptação,
diminuem a deficiência dos sistemas de inferência fuzzy em aprender novas regras, ou até
mesmo remover as desnecessárias. Num ambiente impreciso e ambíguo, definir regras e
funções de pertinência para um sistema inferência fuzzy não é uma atividade fácil, muitos
erros durante a fase de fuzificação (KARTALOPOULOS, 1996) podem ser cometidos,
comprometendo o pleno funcionamento destes sistemas. As redes neurais artificiais podem
oferecer a um sistema fuzzy a habilidade de obter novas regras automaticamente, sem a
presença do especialista, e remover aquelas com grau de importância ou peso, muito pequeno.
se usam para realizar aquelas decisões. Estas limitações foram à motivação principal para a
criação dos sistemas híbridos inteligentes onde duas ou mais técnicas são associadas de modo
que supere as limitações de cada uma das técnicas individualmente (RODRÍGUEZ, 2003).
A utilização dos sistemas híbridos vem crescendo bem rápido com aplicações sucedidas
em muitas áreas, como exemplos, controle de processos, engenharia, negócios e finanças,
apoio a diagnóstico médico, em modelo de previsão e a simulação (RODRÍGUEZ, 2003).
Segundo Ramos (1999) os sistemas neuro-fuzzy também podem ser vistas como redes
multilayer feedforward de três camadas, como se pode verificar na Figura 12.
Mais detalhes sobre sistemas híbridos podem ser encontrados em FULLÉR, 1995;
IYODA, 2000; CALDEIRA, 2007.
natural. Os sistemas neuro-fuzzy não possuem a característica de caixa preta, que causou
tantas discussões entre os pesquisadores. Todas as decisões tomadas podem ser analisadas e
entendidas (RAMOS, 1999).
Os sistemas neuro- fuzzy apresentam as características importantes como classificação e
agrupamento em clusters. Também são usadas em várias aplicações que envolvem previsão
(FULLÉR, 1995). Por meio das regras fuzzy, podem-se obter o relacionamento entre a entrada
e a saída.
Os sistemas neuro-fuzzy possuem as características fundamentais requisitadas para
desenvolver um sistema de mineração de dados (NAUCK, 1997). Estes sistemas podem ser
usados em sistemas de previsão, análise de risco, ou qualquer sistema de suporte à tomada de
decisão (FULLÉR, 1995).
Segundo Osório (1999) os principais sistemas neuro-fuzzy citados na literatura sobre
este tipo de métodos híbridos são: FuzzyARTMAP, FUN, Fuzzy COPE, NEFCON
NEFCLASS- NEFPROX,FUNEGEN e ANFIS.
A seguir, apresenta-se o método neuro-fuzzy ANFIS baseado em sistema de inferência
fuzzy tipo Takagi-Sugeno que faz parte deste trabalho.
43
A primeira camada é composta pelo o grau de pertinência do padrão de entrada (x, y).
Nesta camada calcula-se o grau de pertinência com que as entradas precisas satisfazem os
termos lingüísticos associados a estes nós. A dinâmica do treinamento determina a evolução
dos vários parâmetros.
Na segunda camada, cada nó corresponde a uma regra, nesta calcula-se o grau de
ativação de cada regra, ou seja, com que grau o conseqüente da regra está sendo atendido. Os
neurônios desta camada executam a operação de t-norma (geralmente produto). Trata- se de
camada com elemento estático.
A segunda camada calcula o grau de ativação de cada regra. No caso do exemplo
ilustrado na Figura 14 e considerando a t−norma como o produto algébrico (neurônio Π), tem-
se:
45
wi = μAi(x)μBi(y), i= 1, 2
Sendo que qualquer outro tipo de operador t−norma pode ser utilizado na
implementação do neurônio Π.
A terceira camada também é estática, sendo responsável pelo cálculo do grau de
ativação normalizado das variáveis partes consequentes do sistema TSK subjacente.
Na terceira camada, os graus de relevância de cada regra são normalizados via
neurônios N, isto é:
wi
wi i 1,2 (6)
w1 w2
Na quarta camada as saídas do neurônio são calculadas pelo produto entre os níveis de
disparo normalizados e o valor da regras do conseqüente da regra em si. Seus parâmetros
correspondem aos coeficientes das expressões afins.
As funções de ativação dos neurônios que formam a quarta camada são definidas como:
z 4 ,i wi f i wi ( pi qi y ri ) (7)
A camada 5 calcula a saída precisa. É fixa e responsável pela soma de sinais de entradas
locais e respectiva propagação para a saída.
46
¦wf
¦ wi f i (8)
i i i
f
i ¦w i i
Estas variáveis ajustáveis são os parâmetros associados aos antecedentes das regras.
Limitações do modelo:
• Deve ser usado como um Sugeno de primeira ordem, ou seja, as regras são do tipo
função linear (no de ordem zero elas são constantes);
• Tem saída simples do tipo linear ou constante;
• Não pode haver compartilhamento de regras;
• Tem peso unitário para cada regra (BRUSAFERRO, 2006).
4 POLUIÇÃO ATMOSFÉRICA
4.1 Poluentes
A poluição atmosférica é uma das questões ambientais mais críticas no planeta devido
ao seu impacto sobre a saúde humana, principalmente em grandes áreas urbanas. Desde que
surgiram os primeiros ancestrais do homem no planeta Terra, há aproximadamente um milhão
de anos, estes têm atuado de forma transformadora e predatória sobre a natureza. A partir da
descoberta do fogo, aproximadamente 800 mil anos antes de Cristo, o Homem passou a
contribuir de forma desordenada (inconsciente) para a deterioração da qualidade do ar, e hoje
mais do que nunca, vem sofrendo com as consequências desse ato (BRAGA et al., 1999).
Estes processos não foram acompanhados de análises que pudessem avaliar o impacto
da poluição sobre o meio ambiente, a toxicidade dos resíduos produzidos e os prováveis danos
à saúde (CANÇADO et al., 2006).
De fato, a rápida urbanização, o crescimento demográfico, a queima de biomassa, a
industrialização e um número crescente de veículos automotores são hoje as principais causas
da poluição atmosférica; o crescimento econômico de centros urbanos tem causado o aumento
da poluição atmosférica particularmente por monóxido de carbono (CO), óxidos de nitrogênio
(NOx), dióxido de enxofre (SO2), ozônio (O3), hidrocarbonos (HC) e material particulado
(MP) dentre outros, em associação com as variações climáticas como a umidade relativa do ar
(UR), ventos, chuvas (precipitações) e a temperatura do ar (T°).
Poluente atmosférico é definido como qualquer substância no ar cuja concentração
possa ser prejudicial à saúde dos seres humanos, fauna, a flora e até mesmo aos mais diversos
tipos de materiais. Os poluentes incluem quase todas as composições naturais ou artificiais de
matéria em suspensão no ar que pode ser transportada pelo mesmo. Apresentam-se na forma
de partículas sólidas, líquidas, gases, ou combinadas. São constatados mais de 100
contaminantes do ar, sendo divididos nas seguintes categorias: sólidos, compostos sulfúricos,
químicos orgânicos voláteis, compostos nitrogenados, compostos oxigenados, compostos
radioativos e odores (CETESB, 2012).
Segundo Cançado et al. (2006), poluição atmosférica pode ser definida como a presença
de substâncias estranhas na atmosfera, resultantes da atividade humana ou de processos
naturais, em concentrações suficientes para interferir direta ou indiretamente na saúde,
segurança e bem estar dos seres vivos.
49
Partículas Inaláveis Finas – (MP2,5) – Podem ser definidas como aquelas cujo
diâmetro aerodinâmico é menor que 2,5μm. Existem também as partículas ultrafinas com
diâmetro de 0,1 micra com capacidade de transpor a barreira alvéolo capilar e atingir a
circulação sistêmica.
O material particulado pode-se formar na atmosfera a partir de gases como dióxido de
enxofre (SO2), óxidos de nitrogênio (NOx), compostos orgânicos voláteis (COVs), que são
emitidos principalmente em atividades de combustão, transformando-se em partículas como
resultado de reações químicas no ar, poeiras minerais transportadas pelo vento, podendo
conter endotoxinas e partículas biológicas com alergênicos associados (CETESB, 2013).
Ainda, como fontes naturais de material particulado, podem ser apontadas os vulcões,
aerossóis marinhos e a ação do vento sobre o solo. Fontes antropogênicas criadas a partir da
intervenção humana sobre a natureza podem ser observadas em processos industriais (por
exemplo, o processo de extração de brita, realizado por pedreiras) tráfego rodoviário e a
combustão fóssil.
Normalmente, o ar atmosférico contém partículas em suspensão que variam de 0,1 μm a
10μm de diâmetro. Partículas maiores que 10μm são efetivamente filtradas pelo nariz e pela
nasofaringe, onde essas grandes partículas ficam depositadas e podem ser vistas em
expectoração e/ou saliva. Partículas menores que 10μm de diâmetro (MP10) ficam retidas nas
vias aéreas superiores e podem ser depositadas na árvore traqueobrônquica. As partículas
menores que 2,5μm (MP2,5) depositam-se no brônquio terminal e nos alvéolos (CASTRO et
al., 2009).
Atualmente, existem parâmetros reguladores para o MP10 e segundo a CETESB seu
valor de referência é classificado como bom (em níveis aceitáveis), quando atinge até 50
μg/m³ em 24 horas.
O tamanho das partículas está diretamente associado ao seu potencial para causar
problemas à saúde, sendo que quanto menores as partículas, maiores os efeitos provocados.
O material particulado pode também reduzir a visibilidade na atmosfera e é considerado
um dos poluentes atmosféricos mais críticos.
4.1.2 Ozônio – O3
O SO2 é um gás não inflamável, sem cor, com odor forte e irritante aos olhos. Ele
reage com uma variedade enorme de partículas, é solúvel em água e pode ser oxidado. Este
gás é produzido por fontes antropogênicas como refinarias de petróleo, veículos a diesel,
fornos e metalurgia e fabricação de papel e por fontes naturais como a atividade vulcânica
(principal fonte de emissão natural). A queima de combustíveis fósseis é fonte de emissão do
SO2 (CETESB, 2013).
53
para o interior do organismo humano e por isso tem recebido atenção especial nos estudos
relacionados à poluição atmosférica (GIODA; GIODA, 2006).
Quanto menor o diâmetro das partículas, mais nocivas elas podem se tornar. A poeira e
a fumaça podem provocar irritação ocular, nasal, do trato respiratório e pulmonar e até
bronquite, asma e mesmo a morte. O MP 2,5 devido ao seu tamanho diminuto atinge os
alvéolos pulmonares que se constituem na região mais profunda do sistema respiratório onde
ocorrem as trocas gasosas, provocando dificuldades respiratórias, podendo também originar
doenças respiratórias crônicas, como a pneumoconiose (doença pulmonar causada por
inalação de poeira); e contribuindo para um aumento da mortalidade e morbidade (GIODA;
GIODA, 2006)
Entre as partículas inaláveis, as mais grossas ficam retidas, por ação da gravidade, na
parte superior do sistema respiratório, desencadeando rinites e sinusites (SALES; MARTINS,
2005).
De acordo com a Agência de Proteção Ambiental dos Estados Unidos (EPA), os MP 10
constituem um risco acrescido para a asma.
As partículas finas e ultrafinas estão relacionadas principalmente com a morbidade em
idoso por doenças cardiovasculares e nas crianças por doenças respiratórias (SILVA, 2010).
Em altas concentrações o ozônio é um gás tóxico que pode desenvolver lesões
irreversíveis a via respiratória e ao parênquima pulmonar. O O3 pode provocar irritações nos
olhos, nariz e garganta, seguindo-se tosse e dor de cabeça. A sua ação pode ser percebida,
mesmo para concentrações baixas e para exposições de curta duração, principalmente em
crianças (WHO, 2005).
Segundo O’Connor et al.(2008), a exposição ao O3 leva a um maior número de
internações hospitalares por doenças respiratórias em indivíduos com doenças respiratórias
pré-existentes. A exposição prolongada provoca sintomas de bronquite e acentuação da queda
anual do Volume Expiratório Forçado no 1 segundo (FEV1) que caracteriza a obstrução das
vias aéreas inferiores (BASCOM et al., 1996).
A inalação de O3 em estudos experimentais predispôs dor retroesternal durante a fase de
inspiração e uma redução do Volume Expirado Forçado no primeiro segundo (FEV1) e na
Capacidade Vital Forçada (FVC), efeitos que aumentam com a atividade física. O ozônio
provoca um aumento da resposta à metacolina (substância que induz ao broncoespasmo) e à
exposição a alergênicos (BASCOM et al., 1996), causando ainda, alterações celulares e
bioquímicas, que provoca um aumento de neutrófilos nas vias aéreas (GOMES, 2002).
56
5 DOENÇAS RESPIRATÓRIAS
O sistema respiratório, por sua exposição direta com o meio externo e pelas funções, de
condução do ar e da troca gasosa, que desempenha, está particularmente exposto às agressões
do ambiente e é frequentemente local de alterações de maior ou menor intensidade e
gravidade (GOMES, 2002).
Doenças das vias respiratórias altas e baixas podem ser doenças infecciosas (resfriado
comum e pneumonias) ou não infecciosas (renite alérgica e asma). Em estudos de campo,
entretanto, nem sempre é possível distinguir a origem infecciosa ou não infecciosa da doença
respiratória (BENÍCIO et al., 2000).
Segundo Galvão e Santos (2009) definem pneumonia como uma infecção aguda do
parênquima pulmonar com uma inflamação do espaço alveolar, que pode comprometer a troca
gasosa. Comumente, esta inflamação resulta da invasão principalmente de bactérias, vírus ou
fungos, embora também possa resultar de uma lesão química.
Segundo as Diretrizes da Sociedade Brasileira de Pneumologia e Tisiologia para o
Manejo da Asma (2012), asma é uma doença inflamatória crônica, caracterizada por
hiperresponsividade brônquica e por limitação variável ao fluxo aéreo, reversível
espontaneamente ou com tratamento, manifestando-se clinicamente por episódios recorrentes
de sibilância, dispnéia, aperto no peito e tosse. Resulta de uma interação entre genética,
exposição ambiental a alérgenos e irritantes, e outros fatores específicos que levam ao
desenvolvimento e manutenção dos sintomas.
A poluição do ar causa uma resposta inflamatória no aparelho respiratório induzida pela
ação de substâncias oxidantes, as quais acarretam aumento da produção, da acidez, da
viscosidade e da consistência do muco produzido pelas vias aéreas, levando,
conseqüentemente, à diminuição da resposta e/ou eficácia do sistema mucociliar (GOMES,
2002).
A literatura biomédica está repleta de estudos sobre os efeitos agudos da poluição do ar
sobre a saúde. A maior ênfase é dada a dois desfechos: mortalidade e admissões hospitalares
(CANÇADO et al., 2006).
As doenças respiratórias constituem importante causa de adoecimento e morte em
adultos e crianças no mundo (TOYOSHIMA et al., 2005). Segundo dados da Organização
Mundial de Saúde (OMS- 2012), calculam que nos dias atuais exista cera de 235 milhões de
58
pacientes com asma. Ainda segundo a OMS as mortes por asma aumentarão entorno de 20%
nos próximos 10 anos caso não se tomam medidas urgentes.
No Brasil, as doenças respiratórias agudas e crônicas também ocupam posição de
destaque. Em 2007, foram registradas mais de 700 mil internações por pneumonia e em 2011
foram registradas aproximadamente 160 mil internações por asma (BRASIL, 2011).
A asma, a bronquite crônica e o câncer do pulmão são as doenças do aparelho
respiratório, que têm relações mais estreitas com a poluição atmosférica. Assiste-se a um
aumento da prevalência da asma em todo o Mundo (WHO, 1995), principalmente nos países
industrializados, um aumento da bronquite crônica nos fumadores e nos não fumadores e são
em número crescente os trabalhos que demonstram a correlação entre o aumento da
prevalência destas patologias e a poluição atmosférica (WHO, 2001).
Durante a respiração a inalação dos poluentes do ar produz diversos efeitos biológicos
sobre o corpo humano. As partículas inaladas podem depositar-se nas vias aéreas e interferir
com os mecanismos fisiológicos de limpeza do pulmão ou depositar-se no parênquima
pulmonar e eventualmente contribuir para o desenvolvimento da Doença Pulmonar Obstrutiva
Brônquica (DPOC), ou câncer do pulmão se a exposição se mantiver durante anos. O pulmão
pode ainda servir de porta de entrada para a circulação sistêmica e serem atingidos vários
órgãos (GOMES, 2002).
Entretanto, apesar da importância epidemiológica das doenças respiratórias em nosso
contexto, informações mais precisas sobre sua freqüência, distribuição e tendências de
evolução recente ainda são escassas no Brasil, principalmente para morbidade, uma vez que
para mortalidade dispomos de um Sistema de Informações – SIM, já bastante consolidado
(TOYOSHIMA et al., 2005).
A poluição do ar, mesmo com valores abaixo do nível permitido pelos órgãos
responsáveis CONAMA, CETESB, EPA, WHO; tem afetado de forma significativa a vida
dos seres vivos (PEREIRA et al., 1998; SALDIVA et al., 1995).
As faixas etárias mais atingidas são as crianças com idade abaixo de 2 anos
(imaturidade pulmonar) e os idosos (envelhecimento fisiológico do pulmão), grupos bastante
suscetíveis aos efeitos deletérios da poluição do ar (BAKONYI et al., 2004).
Embora o mecanismo biológico específico ainda esteja em estudo, diversos autores
sustentam que o efeito deletério da poluição atmosférica na saúde da população é causal
(MARTINS et al., 2002).
Em um estudo de revisão realizado por Arbex et al. (2012), tem-se um excelente
material relacionando poluição do ar e o sistema respiratório.
59
6 VARIÁVEIS CLIMÁTICAS
7 MATERIAIS E MÉTODOS
Este trabalho foi realizado no município de São José dos Campos- SP, cidade de médio
porte do interior do Estado de São Paulo que possui importante parque industrial. Situa-se nas
coordenadas 23° 10’ S e 45° 52’ O, no Alto Vale do Paraíba paulista, a 600 m acima do nível
do mar. Tem clima úmido e tropical de altitude, localiza-se entre São Paulo e Rio de Janeiro –
as duas maiores cidades do Brasil – e é cortada pela Rodovia Presidente Dutra, uma das mais
importantes rodovias do país e que tem tráfego intenso. Em 2010, sua população era estimada
em torno de 630 mil habitantes, conforme apresentado na Figura 15.
A seguir, será apresentado o método para a realização deste trabalho, o qual será
dividido em 3 módulos, sendo eles: limpeza e elaboração do banco de dados; elaboração e
validação do modelo fuzzy (Mamdani) e elaboração e validação do modelo neuro-fuzzy
(Sugeno).
63
No círculo número 1, visto na figura 16, tem-se o valor do MP10 (a mesma seleção foi
realizada para o O3, SO2, Tap) e no número 2 a data das medidas dos mesmos. Esses valores
fazem parte das quatro primeiras colunas de uma planilha desenvolvida no programa Excel.
Os dados referentes às internações diárias por pneumonia e/ou asma foram obtidos
através da seguinte rotina: www2.datasus.gov.br/DATASUS/índex.php, clicar: 1- em
informações de saúde, 2- serviços, 3- transferência de arquivos, 4- SIHSUS reduzida,
Figura17.
Figura 19 - Arquivos para downloads para obter planilha DATASUS (próprio autor).
Por fim, foi obtido o banco de dados final que será utilizado para realizar este trabalho.
A planilha é composta pelos seguintes dados de entrada: 1- Material particulado (MP10);
2- Ozônio (O3); 3- Dióxido de enxofre (SO2); 4-Temperatura aparente (Tap); e 5- como saída
o número de internações por doenças respiratórias (pneumonia e asma) na cidade de São José
dos Campos.
Este banco de dados foi composto de 345 dados (ano de 2007) e foi elaborado com o
auxílio do programa Excel, conforme apresentado na Figura 23.
67
Esta planilha foi utilizada duas vezes neste trabalho: primeiro foi utilizada para validar o
modelo fuzzy (Mamdani) elaborado no toolbox fuzzy do Matlab. O Matlab possui uma rotina
(ddeinit) que permite gerar uma saída numérica para o modelo fuzzy elaborado. Com esta
rotina é possível comparar os valores obtidos do banco de dados real com os resultados
obtidos do modelo; desta forma, é possível avaliar o SIF fuzzy Mamdani realizando a
correlação entre os dados obtidos no banco de dados real e os dados obtidos no modelo fuzzy.
Quanto maior a correlação, melhor a acurácia do modelo fuzzy elaborado.
Na segunda, a planilha foi utilizada para realizar o treinamento do sistema neuro-fuzzy
ANFIS. Este treinamento foi realizado utilizando o toolbox neuro-fuzzy do Matlab. Para isso,
a planilha foi dividida em duas partes: a metade dos dados foi utilizada para elaborar o
treinamento do sistema e a segunda metade dos dados foi utilizada para realizar o teste (25%
dos dados) e a validação dos dados treinados (25% dados) do modelo.
O sistema neuro-fuzzy ANFIS gera automaticamente o SIF fuzzy Sugeno.
Posteriormente, este SIF foi comparado com o SIF fuzzy Mamdani elaborado anteriormente.
A seguir, será apresentado os modelos elaborados.
68
A seguir, são apresentados os dados de entrada e saída utilizados para elaborar o modelo
fuzzy. A proposta é apresentar um método que permita estimar os números de internações por
pneumonia e asma utilizando o sistema de inferência fuzzy do tipo Mamdani.
As variáveis de entrada para o modelo fuzzy são: material particulado (MP10), ozônio
(O3), dióxido de enxofre (SO2), temperatura (Tap). O universo de discurso para cada variável
de entrada foi selecionado da planilha (vide Figura 23).
Figura 24 - Sistema de inferência fuzzy Mamdani com quatro entradas e uma saída (próprio autor).
69
A saída representa a variável número de internações sendo fornecida com cinco funções
de pertinência, Figura 25: muito baixo, baixo, médio, alto, muito alto.
Figura 25 - Número de internações (MBX: muito baixo, BX: baixo, MED: médio, alto e MALTO: muito
alto (próprio autor).
Intervalo Classificação
[8,22] BOA
[23,68] REGULAR
Figura 26 - Conjunto fuzzy para MP10 (μg/m3) (BOA e REG: regular) (próprio autor).
Duas funções de pertinência fuzzy são definidas para variável O3 conforme apresentado
na Figura 27: boa e inadequado.
71
Figura 27 - Conjunto fuzzy para O3 (μg/m3) (BOA E INAD: inadequado) (próprio autor).
Duas funções de pertinência fuzzy para a variável SO2, Figura 28: boa e inadequado.
Figura 28 - Conjunto fuzzy para SO2 (μg/m3) (BOA E INAD: inadequado (próprio autor).
Nota-se que o universo de discurso varia de 0,9 a 27 μg/m3 (valor mínimo e máximo,
Tabela 3, página 68) e a transição das funções em torno de 2,5 μg/m3 (valor de transição do
SO2 prejudicial à saúde, Tabela 7).
72
Duas funções de pertinência fuzzy para a variável Tap, Figura 29: inadequada e boa.
Figura 29 - Conjunto fuzzy para Tap (INAD: inadequada e BOA) (próprio autor).
Nota-se que o universo de discurso varia de 5,7 a 20,2 ˚C (valor mínimo e máximo,
Tabela 3, página 68) e a transição das funções em torno de 18 ˚C (valor de transição do Tap
prejudicial à saúde, Tabela 8).
A Figura 31 apresenta a janela do rule viewer do toolbox do Matlab, a partir desta pode-
se observar que com média concentração de poluentes, boa temperatura aparente, tem-se um
número médio, aproximado seis de internações.
O rule viewer é utilizado para validar o modelo, pois apresenta o resultado do mesmo.
Outra forma de validar o modelo é por meio da rotina ddeinit (ANEXO D), desta forma,
pode-se comparar o resultado real com o obtido pelo modelo.
Esta rotina gera todos os resultados dados pelo modelo a partir dos dados de entrada.
Desta forma, pode-se validar o modelo fuzzy.
A acurácia do modelo fuzzy foi estudada pela área sob a Curva ROC. Neste trabalho
consideraram-se defasagens (lags) de até dois dias, tendo em vista, que os efeitos de
exposição aos poluentes podem se manifestar no mesmo dia da exposição ou nos dias
subsequentes.
As saídas geradas pelo modelo foram comparadas e correlacionadas com os dados reais
de internação utilizando o coeficiente de correlação de Pearson (p > 0,01).
75
Para criar o conjunto de treinamento do sistema ANFIS foram utilizados os dados reais
diários referentes às concentrações dos poluentes: material particulado (MP10), ozônio (O3) e
dióxido de enxofre (SO2) e da variável climática: temperatura aparente (Tap) para as entradas.
Os dados diários das internações por pneumonia e asma, para a saída, são referente ao período
de 01 de janeiro a 31 de dezembro de 2007. Estes dados foram fornecidos pelo Departamento
de Informações e informática do Sistema Único de Saúde (DATASUS) obtido do portal
DATASUS. Vide planilha na Figura 23, página 66.
As saídas geradas pelo modelo neuro-fuzzy foram correlacionadas com os dados reais
de internações utilizando o coeficiente de Pearson (p > 0,01)
O toolbox ANFIS do Matlab é obtido por meio do comando anfisedit. A Figura 32, a
seguir, exibe a tela inicial do toolbox ANFIS. Os principais comandos estão em destaque,
circulados e enumerados de um a seis. Em seguida será comentado o que cada comando
realiza ao ser acionado (MATLAB, 2012).
A Figura 33, mostra como carregar a tabela de dados para treinamento com colunas de
entrada e saída, respectivamente.
Janela com os dados que foram treinados são apresentados na Figura 34.
77
Figura 35 – Geração do FIS, janela do toolbox para gerar funções de pertinência (próprio autor).
78
Nesse trabalho foi escolhido o método Grid Partition, com duas funções de pertinência
para a primeira variável MP10, duas funções de pertinência para a segunda variável O3, duas
funções de pertinência para a terceira variável SO 2, duas funções de pertinência para a quarta
variável (Tap); e a variável de saída, número de internações por pneumonia e asma
(constante).
Os valores dos números das funções de pertinências vão variando de acordo com o
treinamento e verificação para o menor erro do modelo. A tabela apresentado no ANEXO E
mostra todas as simulações realizadas neste trabalho.
4 - Train Now - Neste item, são definidos os parâmetros de treinamento: tolerância a
erro (Error Tolerance), número de épocas (Epocchs) e algoritmo de treinamento híbrido ou
back-propagation (Optim. Method), Figura 36.
5 - Test Now - A base de dados é colocado a prova com a saída do sistema que foi
treinado, Figura 37. Na janela de teste é apresentado o erro apresentado pelo modelo e as
saídas reais e a gerada pelo modelo.
79
Figura 37 - Testando agora (test now) janela toolbox ANFIS para teste do sistema (próprio autor).
O próximo passo será inserir os dados para checagem (check) do modelo, Figura 39.
80
A ferramenta de checagem pode-se verificar mais uma vez se o modelo gerado pelo
ANFIS está bom, ou seja, apresentando um erro baixo e nenhum dado incoerente.
Este sistema possui quatro entradas, a camada um apresenta duas funções de pertinência
para cada uma das entradas; na camada três tem-se a agregação das 16 regras (42); e por
último, uma saída.
81
8 RESULTADOS E DISCUSSÃO
Este é o primeiro estudo a ser realizado em uma cidade de médio porte como São José
dos Campos e no estado de São Paulo a utilizar a técnica de modelagem fuzzy e neuro-fuzzy
para previsão do número de internações por algumas doenças respiratórias (pneumonia e
asma) com relação à exposição aos poluentes do ar.
Trata-se da construção de um modelo computacional, utilizando-se das ferramentas da
lógica fuzzy, para estimar o número de internações por asma e pneumonia relacionadas aos
poluentes do ar.
Os dados reais diários de internações por asma e pneumonia, foram considerados como
variável de saída dos modelos; e durante o período de estudo foi registrado o total de 1710
(correspondendo a 6,6% de todas as internações) internações na cidade de São Jose dos
Campos.
Os valores mínimos e máximos dos poluentes, temperatura aparente e número de
internações foram utilizados como universo de discurso para a elaboração do modelo fuzzy.
A análise descritiva das variáveis consideradas neste estudo encontra-se na Tabela 10..
Tabela 10 - Valores das médias, desvio padrão, mínimos e máximos das variáveis: material particulado (MP 10),
ozônio (O3), dióxido de enxofre (SO2), temperatura aparente (Tap), segundo tipo de saída número de internações
(NINTER), São José dos Campos-2007.
Média dp Mínimo Máximo
O número de internações variou entre zero e 16 internações por dia, com média de 4,9
internações e desvio padrão de 2,9.
O valor médio da concentração MP10 ficou em 16 μg/m3 apresentando nível máximo em
68 μg/m3, nível bem menor do que o padrão de qualidade do ar preconizado pelo CONAMA,
que é de 150 μg/m3. Porém, segundo a CETESB (2012) que descreve sobre a qualidade do ar
e efeito à saúde, índices entre 51 e 100 μg/m3 de material particulado é classificado como
82
regular e pode causar sintomas como tosse seca e cansaço em indivíduos com doenças
respiratórias.
Segundo estudo realizado por Arbex (2004), o material particulado pode levar a
irritação das vias aéreas, inflamação, aumento da reatividade brônquica, diminuição da
atividade muco ciliar e tendo como conseqüências aumento nas crises asmáticas e das
infecções respiratórias.
Em pesquisa realizada por Gouveia (2006) na cidade de São Paulo-SP, observou-se que
com o aumento em 10 μg/m3 na concentração do material particulado gerou-se um aumento
de aproximadamente 5% no número de internações por asma em crianças. Da mesma forma
Nascimento et. al (2006), observaram a associação entre a concentração de poluentes do ar e o
aumento na morbidade em crianças por problemas respiratórios na cidade de São José dos
Campos - SP.
A concentração média do O3 ficou em 91 μg/m3 e a máxima de 209 μg/m3 durante o
período de 2007, esse valor ficou muito próximo ao valor encontrado no estudo de Amâncio
(2012) com uma média de 74,3 μg/m3. O O3 ultrapassou por 12 dias os valores de níveis
aceitáveis pelo CONAMA que é de 160 μg/m3. No relatório da CETESB (2012), os níveis
valores inadequados do O3 situado entre 180-200 μg/m3 e pode causar em crianças com
doença respiratória agravos aos sintomas da asma e na população em geral sintomas como
ardor no nariz, garganta e olhos bem como tosse seca e cansaço. O O 3 teve um crescimento
significativo no último ano no município de São José dos Campos conforme último relatório
da CETESB (2012).
Na cidade de São Paulo-SP, as internações hospitalares diárias em crianças por sintomas
respiratórios aumentaram em 5% e especificamente por pneumonias foram acrescidas em 8%
para aumento dos níveis de O3 (GOUVEIA, 2000).
Para o SO2 a concentração máxima foi de 27 μg/m3 e apresentou uma média de em 3,8
μg/m3, valor que não difere muito do que encontrado em pesquisa realizado na mesma cidade
com dados coletados entre 2004 e 2005 (AMÂNCIO, 2012).
As concentrações médias encontradas no presente estudo estão dentro dos valores
toleráveis pela OMS, que aceita nível de exposição máxima de até 20 μg/m3 durante 24 horas.
Em pesquisa conduzida no município de São Paulo, encontrou-se uma média de SO2 de
17,71 μg/m3, o que difere do valor encontrado nesse estudo (GOUVEIA, 2006). Essa
diferença pode ser explicada pela maior emissão desse poluente em São Paulo, devido à maior
frota de veículos, uma das principais fontes desse poluente.
83
Modelo Fuzzy
Para realizar a comparação da saída do modelo fuzzy proposto com a saída real, foi
realizada uma rotina (ddeinit), que gera uma saída numérica para o modelo fuzzy. Gerada a
saída pode-se então, realizar a correlação entre o modelo e os dados reais de saída.
84
A) 0,92 (0,88-0,96)
B) 0,75 (0,64-0,85)
C) 0,71(0,60-0,81)
Figura 42- Gráficos da Curva ROC para MP10: A) Lag 0, B) Lag 1 e C)Lag 2(Próprio Autor).
86
A) 0,87 (0,82-0,92)
B) 0,64 (0,52-0,76)
C) 0,62(0,51-0,73)
Figura 43- Gráficos da Curva ROC para O3: A) Lag 0, B) Lag 1 e C)Lag 2(Próprio Autor).
87
A) 0,95 (0,92-0,97)
B) 0,73 (0,63-0,82)
C) 0,79 (0,72-0,87)
Figura 44- Gráficos da Curva ROC para SO2: A) Lag 0, B) Lag 1 e C) Lag 2(Próprio Autor).
88
O rule viewer também pode ser utilizado para validar o modelo, pois apresenta o
resultado do mesmo como pode ser observado a seguir. Podem-se variar as entradas e, em
seguida, observar o sistema de reajustar e calcular a nova saída.
Figura 47- Gráfico de superfície do número de internações relativo ao MP10 x Tap (Próprio Autor)
As análises com duas variáveis, entrada versus saída, são demonstrados a seguir, Figura
48.
Figura 48- Gráficos de Análises- a) NInter x MP10 e b) NInter x MP10 (Próprio Autor)
No gráfico (a) pode ser notado que o número de internações é maior com um maior
material particulado 40 μg/m3, com valores para ozônio 110 μg/m3, dióxido de enxofre 13,5
μg/m3 e temperatura aparente 14˚C, enquanto que no gráfico (b) o número de internações é
menor com um ozônio 40 μg/m3, dióxido de enxofre 1,5 μg/m3 e temperatura aparente 20˚C.
Modelo Neuro-Fuzzy
Para a criação do modelo neuro-fuzzy foram coletados, para a saída do modelo, dados
reais da base de dados do DATASUS para o número de internações de pacientes com asma e
pneumonia na cidade de São José dos Campos- SP, ano de 2007.
90
Figura 49- Planilha com dados de entrada e saída para gerar modelos neuro-fuzzy (Próprio Autor).
Durante o período de estudo, os dados referentes a 345 dias do ano de 2007 foram
incluídos para desenvolver o modelo, sendo utilizados 50% dos dados para treinamento, 25%
para teste e 25% para checagem do modelo.
Após várias simulações, ANEXO E, obteve-se os melhores resultados para o modelo
neuro-fuzzy quanto ao número de funções de pertinência (N MF), tipo da função de
pertinência (MF), saída constante, híbrido, erro igual a 0,01 e número de épocas (N épocas)
usadas para treinar o modelo, Tabela 12.
O número ideal de épocas é aquele em que a função erro tem seu ponto mínimo, mas
não pode ser muito alto para evitar o overfiting ou supertreinamento. Neste caso, o modelo
iria responder perfeitamente (erro aproximadamente igual a zero) para os dados de
treinamento, mas para os dados de checagem e teste iria apresentar um erro muito grande.
Tabela 12: Parâmetros e resultados do modelo neuro-fuzzy.
MF 2222
trimf 0.35
trapmf 0.28
gbellmf 0.44
gaussmf 0.36
MF 3222
trimf 0.34
trapmf 0.22
gbellmf 0.36
gaussmf 0.32
MF 2223
trimf 0.28
trapmf 0.28
gbellmf 0.37
gaussmf 0.43
A) 0,56 (0,42-0,70)
B) 0,53 (0,39-0,67)
C) 0,64(0,51-0,78)
Figura 50- Gráficos da Curva ROC para MP10: A) Lag 0, B) Lag 1 e C)Lag 2 (Próprio Autor).
93
A) 0,69 (0,54-0,84)
B) 0,56 (0,41-0,70)
C) 0,52(0,39-0,66)
Figura 51- Gráficos da Curva ROC para O3: A) Lag 0, B) Lag 1 e C)Lag 2 (Próprio Autor).
94
A) 0,53 (0,38-0,67)
B) 0,50 (0,35-0,63)
C) 0,56 (0,40-0,73)
Figura 52- Gráficos da Curva ROC para SO2: A) Lag 0, B) Lag 1 e C) Lag 2 (Próprio Autor).
O modelo apresentou uma boa acurácia somente para o lag2 do MP 10 e lag0 do O3.
95
Como exemplo usando o rule viewer, no caso mostrado na Figura 53, considerando a
variável MP10 de 53μg/m3, O3 de 112μg/m3, SO2 de 8μg/m3 e a Tap de 11˚C; o modelo previu
número de 10,7 internações. Para os dados reais houve 12 internações.
Figura 55- Gráfico de superfície do número de internações relativo ao MP10 x SO2 (Próprio Autor).
Este trabalho se diferencia de outros que estimam os riscos ou chances de risco que
ocorram internações por exposição aos poluentes do ar utilizando regressão logística, estudos
retrospectivos ou regressão de Poisson (BUENO et al., 2010; AMÂNCIO; NASCIMENTO,
2012). Ao contrário das regressões, os modelos fuzzy e neuro-fuzzy são capazes de realizar a
previsão do número de internações.
Os resultados do estudo apontam que os modelos têm grande capacidade em prever
fenômenos complexos e não lineares.
A teoria e aplicações dos conjuntos fuzzy tornou-se uma ferramenta importante para a
investigação médica com grande avanço do conhecimento. A aplicação da teoria de conjuntos
fuzzy na medicina é uma nova área de pesquisa. No entanto, esta abordagem tem
proporcionado resultados promissores em várias aplicações médica, propondo uma mudança
de paradigma na ciência da saúde (ORTEGA, 2001).
A vantagem de previsão das internações aqui apresentado está em que após ser
construído com o auxílio de um especialista, ele pode ser utilizado com base em dados reais
para as simulações, não necessitando da opinião de mais especialistas.
O modelo pode ser implementado em sistemas de saúde pública e pode servir como um
importante instrumento para a prevenção e tomadas de decisões quanto às variações do nível
de poluentes. Uma previsão acurada é crítica para os melhoramentos na área de poluentes e
97
9 CONCLUSÃO
REFERÊNCIAS
ARBEX, M.A.; SANTOS, U. P.; MARTINS, L. C.; SALDIVA, P.H.N.; PEREIRA, L.A.A;
BRAGA,A.L.F. A poluição do ar e o sistema respiratório. J Bras Pneumol. 38 (5): 643-655.
2012.
ASHISH, M.; RASHMI, B.. Prediction of daily air pollution using wavelet decomposition
and Adaptive- Network-based fuzzy inference system. International Journal of
Environmental Sciences. 2:1, 2011.
BARNETT, A.G.; TONG, S.; CLEMENTS, A.C.A. What measure of temperature is the best
predictor of mortality? Environmental Research. 110: 604–611, 2010.
100
BASCON, R.; BROMBREG, P. A.; COSTA, D. A.; DEVLIN, R.; DOCKERY, D. W.;
FRAMPTON, M. W. et al. Health effects of outdoor air pollution. Am J Respir Crit Care
Med. n. 153, p. 3-50. 1996.
CANÇADO, J.E.D.; BRAGA, A.; PEREIRA, L.A.A.; ARBEX, M.A.; SALDIVA, P.H.N.;
SANTOS, U.P. Repercursões clínicas da exposição à poluição atmosférica. J. Bras.
Pneumol. 2006; 32(Supl 1):S5-S11.2006.
101
CARMO, C.N.; HACON, S.; LONGO, K.M. FREITAS, S.; IGNOTTI, E.; LEON, A.P.;
ARTAXO, P. Associação entre material particulado de queimadas e doenças respiratórias na
região sul da Amazônia brasileira. Rev. Panam Salud Publica. 2010;27(1):10-6.
DASH, P.K.; MISHRA, S.; SALAMANA, M.M.A.; LIEW, A.C. Classification of Power
System Disturbances Using a Fuzzy Expert System and a Fourier Linear Combiner.
IEEE Transaction on power delivery, vol. 15. n.2. p. 472-47, april, 2000.
FERREIRA, L.; YANAGI JUNIOR, T.; LOPES, A.Z.; LACERDA, W.S. Desenvolvimento
de uma rede neuro-fuzzy para predição da temperatura retal de frangos de corte.
Departamento de Engenharia, Universidade Federal de lavras (UFLA), MG, Brasil, 2010.
GIODA, A.; GIODA, F. R.. A influência da qualidade do ar nas doenças respiratórias. Health
and Environment Journal. v. 7, n. 1, jun. 2006.
GOUVEIA, N.; FLETCHER, T. Respiratory diseases in children and outdoor air pollution in
São Paulo, Brazil: a time series analysis. Occup Environ Med, n. 57, p. 477-83, 2000b.
GOUVEIA, N.; FLETCHER, T. Time series analysis of air pollution and mortality: effects by
cause, age and socioeconomic status. J Epidemiol Comm Health,n. 54, p. 750-5, 2000a.
GOUVEIA, N.; MENDONÇA, G. A.; LEON, A. P.; CORREIA, J. E.; JUNGER, W. L.;
FREITAS, C. U. DAUMAS, R.P.; MARTINS, L.C.; GIUSSEPE, L.; CONCEIÇÃO, G.M.S.;
MANERICH,A.; CUNHA-CRUZ, J. Poluição do ar e efeitos na saúde nas populações de
duas grandes metrópoles brasileiras. Epidemiol Serv Saúde, n. 12,(1) p. 29-40, 2003.
HAYKIN, Simon. Redes Neurais: Princípios e Prática. 2 ed , Porto Alegre: Bookman, 2001.
JAIN, S.; KHARE, M.. Adaptive neuro-fuzzy modeling for prediction of ambient CO
concentration at urban intersections and roadways. Air Qual Atmos Health, 3:203–212,
2010.
JANG, J .S. R.; SUN, C. T.; MIZUTANI, E. Neuro-fuzzy and soft computing: a
computacional approach to learning and machine intelligence. Upper Saddle River, NJ:
Prentice Hall Inc. 1997.
KLIR, G. J.; BO, Y.. Fuzzy Sets and fuzzy Logic: theory and applications. Prentice Hall.
1995a.
KLIR, G. J. Fuzzy Logic: Unearthing its meaning and significance. IEEE Potentials. p.10-15,
oct./nov. 1995b.
LEI, K. S.; WAN, F.. Applying Ensemble Learning Techniques to ANFIS for Air Pollution
Index Prediction in Macau. Lecture Notes in Computer Science. V 7367, pp 509-516, 2012.
LIN, C. A.; PEREIRA, L. A. A.; BRAGA, A. L. F.; CONCEIÇÃO, G. M. S.; KISHI, H. S.;
MILANI, R. et al. Association between air pollution and ischemic cardiovascular emergency
room visits. Env Res n. 92, p. 53-63, 2003.
MASSAD, E.; ORTEGA, N. R. S.; BARROS, L. C.; STRUCHINER, C. J.. Fuzzy Logic in
Action: Applications in Epidemiology and Beyond. Applications in Epidemiology and
Beyond (Studies in Fuzziness and Soft Computing). Springer; 1 edition, Feb, 2009.
NAUCK, D.; KRUSE, R. Neuro-Fuzzy systems for function approximation. Fuzzy Sets and
Systems 101 261-271, Faculty of Computer Science, Elsevier Science B.V. 1997.
O'CONNOR, G. T.; NEAS, L.; VAUGHN, B.; KATTAN, M.; MITCHELL, H.; CRAIN, E.
F.; EVANS III, R.; GRUCHALLA, R.; MORGAN, W.; STOUT, J.; ADAMS, G. K.;
LIPPMANN, M. Acute respiratory health effects of air pollution on children with asthma in
US inner cities. U.S. Environmental Protection Agency Papers. Paper 12. 2008.
PITTON, S.E.C.P. ; DOMINGOS, A.E. Tempo e Doenças: Efeitos dos Parâmetros Climáticos
nas crises Hipertensivas nos moradores de Santa Gertrudes-SP, Estudos Geográficos, Rio
Claro, 2(1):75-86, junho-2004. Disponível em
www.rc.unesp.br/igce/grad/geografia/revista.htm. Acesso em: 18 jul. 2012.
SAVIC, M.; MIHAJLOVIC, I.; ŽIVKOVIC, Ž.. An ANFIS – Based Air Quality Model For
Prediction of SO2 Concentration in Urban Area. Serbian Journal of Management. 8 (1).
2013.
STONE, V. Environmental air pollution. Am J Respir Crit Care Med, 162:S47, 2000.
TAKAGI, T.; SUGENO, M. Fuzzy identification of systems and its application to modeling
and control. IEEE Trans. On Systems, Man & Cybernetics, n. 15, p. 116-132, 1985.
107
WHO- WORLD HEALTH ORGANIZATION. “Air Quality Guidelines Global Update 2005”. Report
on a working group meeting, Bonn/Germany, 18-20 october .2005.
YILDIRIM, Y.; BAYRAMOGLU, M.. Adaptive neuro-fuzzy based modelling for prediction
of air pollution daily levels in city of Zonguldak. Chemosphere. 63, 1575–1582, 2006.